論文の概要: Multi-Domain Incremental Learning for Semantic Segmentation
- arxiv url: http://arxiv.org/abs/2110.12205v1
- Date: Sat, 23 Oct 2021 12:21:42 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-26 16:04:16.192011
- Title: Multi-Domain Incremental Learning for Semantic Segmentation
- Title(参考訳): セマンティックセグメンテーションのためのマルチドメインインクリメンタル学習
- Authors: Prachi Garg, Rohit Saluja, Vineeth N Balasubramanian, Chetan Arora,
Anbumani Subramanian, C.V. Jawahar
- Abstract要約: そこで,同質な意味的特徴を捉えるために,普遍的に共有されるドメイン不変パラメータを割り当てる動的アーキテクチャを提案する。
提案手法が、ドイツ(都市景観)、アメリカ合衆国(BDD100k)、インド(IDD)の道路(都市景観)の実際の運転シーンに関連する領域の漸進的な設定に与える影響を実証する。
- 参考スコア(独自算出の注目度): 42.30646442211311
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent efforts in multi-domain learning for semantic segmentation attempt to
learn multiple geographical datasets in a universal, joint model. A simple
fine-tuning experiment performed sequentially on three popular road scene
segmentation datasets demonstrates that existing segmentation frameworks fail
at incrementally learning on a series of visually disparate geographical
domains. When learning a new domain, the model catastrophically forgets
previously learned knowledge. In this work, we pose the problem of multi-domain
incremental learning for semantic segmentation. Given a model trained on a
particular geographical domain, the goal is to (i) incrementally learn a new
geographical domain, (ii) while retaining performance on the old domain, (iii)
given that the previous domain's dataset is not accessible. We propose a
dynamic architecture that assigns universally shared, domain-invariant
parameters to capture homogeneous semantic features present in all domains,
while dedicated domain-specific parameters learn the statistics of each domain.
Our novel optimization strategy helps achieve a good balance between retention
of old knowledge (stability) and acquiring new knowledge (plasticity). We
demonstrate the effectiveness of our proposed solution on domain incremental
settings pertaining to real-world driving scenes from roads of Germany
(Cityscapes), the United States (BDD100k), and India (IDD).
- Abstract(参考訳): セマンティクスセグメンテーションのためのマルチドメイン学習における最近の取り組み : ユニバーサル・ジョイント・モデルによる複数地理的データセットの学習の試み
3つの人気のある道路シーンセグメンテーションデータセット上で連続的に行われる単純な微調整実験は、既存のセグメンテーションフレームワークが、視覚的に異なる一連の地理的領域で漸進的に学習できないことを示す。
新しいドメインを学ぶとき、モデルは破滅的に以前に学んだ知識を忘れる。
本研究では,セマンティクスセグメンテーションのためのマルチドメインインクリメンタル学習の問題を提案する。
特定の地理的領域で訓練されたモデルを考えると、目標は
(i)新しい地理的領域を段階的に学習する。
(二)旧領でのパフォーマンスを維持しながら。
(iii) 前のドメインのデータセットがアクセスできないことを考える。
我々は,すべての領域に存在する同質な意味的特徴を捉えるために,普遍的に共有されたドメイン不変パラメータを割り当てる動的アーキテクチャを提案する。
この新しい最適化戦略は,古い知識の保持(安定性)と新しい知識の獲得(可塑性)のバランスの確保に役立つ。
提案手法は,ドイツの道路(都市景観),米国(bdd100k),インド(idd)からの実世界の運転シーンに関連する領域インクリメンタルな設定において有効であることを示す。
関連論文リスト
- Boosting Large Language Models with Continual Learning for Aspect-based Sentiment Analysis [33.86086075084374]
アスペクトベース感情分析(ABSA)は感情分析の重要なサブタスクである。
ABSAのための大規模言語モデルに基づく連続学習(textttLLM-CL)モデルを提案する。
論文 参考訳(メタデータ) (2024-05-09T02:00:07Z) - Benchmarking Multi-Domain Active Learning on Image Classification [16.690755621494215]
我々は、単一ソースデータと実世界のデータの間のギャップを埋めるために、マルチドメインアクティブラーニングベンチマークを導入する。
我々のベンチマークでは、従来の単一ドメインのアクティブな学習戦略は、多ドメインシナリオにおけるランダムな選択よりも効果が低いことが示されている。
私たちのベンチマーク分析では、すべてのマルチドメイン戦略が大きなトレードオフを示しており、すべてのデータセットやすべてのメトリクスよりも優れた戦略はありません。
論文 参考訳(メタデータ) (2023-12-01T06:11:14Z) - Structured Latent Embeddings for Recognizing Unseen Classes in Unseen
Domains [108.11746235308046]
本稿では,異なる領域からの画像を投影することで,ドメインに依存しない遅延埋め込みを学習する手法を提案する。
挑戦的なDomainNetとDomainNet-LSベンチマークの実験は、既存のメソッドよりもアプローチの方が優れていることを示している。
論文 参考訳(メタデータ) (2021-07-12T17:57:46Z) - Domain Adaptation for Semantic Parsing [68.81787666086554]
本稿では,ドメイン適応のための新しいセマンティクスを提案する。このセマンティクスでは,ソースドメインと比較して,対象ドメインのアノテーション付きデータがはるかに少ない。
我々のセマンティックな利点は、2段階の粗大なフレームワークから得ており、2段階の異なる正確な処理を提供できる。
ベンチマークデータセットの実験により、我々の手法はいくつかの一般的なドメイン適応戦略より一貫して優れていることが示された。
論文 参考訳(メタデータ) (2020-06-23T14:47:41Z) - Multi-Domain Spoken Language Understanding Using Domain- and Task-Aware
Parameterization [78.93669377251396]
音声言語理解は、各ドメインでトレーニングデータのセットが利用できる教師付き学習問題として対処されてきた。
既存の1つのアプローチは、ドメイン間の共同トレーニングに共有パラメータを使用して、マルチドメイン学習を行うことによって、この問題を解決する。
本稿では,ドメイン固有モデルパラメータとタスク固有モデルパラメータを用いて,この手法のパラメータ化を改善することを提案する。
論文 参考訳(メタデータ) (2020-04-30T15:15:40Z) - Dynamic Fusion Network for Multi-Domain End-to-end Task-Oriented Dialog [70.79442700890843]
本稿では,対象ドメインと各ドメインの関連性を自動的に活用する新しい動的核融合ネットワーク(DF-Net)を提案する。
トレーニングデータが少ないと、平均13.9%の事前最良モデルを上回り、転送可能性を示す。
論文 参考訳(メタデータ) (2020-04-23T08:17:22Z) - Spatial Attention Pyramid Network for Unsupervised Domain Adaptation [66.75008386980869]
教師なし領域適応は様々なコンピュータビジョンタスクにおいて重要である。
教師なし領域適応のための新しい空間注意ピラミッドネットワークを設計する。
我々の手法は最先端の手法に対して大きなマージンで好適に機能する。
論文 参考訳(メタデータ) (2020-03-29T09:03:23Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。